ee.Algorithms.TemporalSegmentation.Ccdc

الگوریتم نقطه شکست زمانی تشخیص و طبقه‌بندی تغییرات پیوسته را پیاده‌سازی می‌کند. این الگوریتم با برازش تکراری توابع هارمونیک به داده‌ها، نقاط شکست زمانی را در یک مجموعه تصویر پیدا می‌کند. ضرایب برازش برای همه باندهای ورودی تولید می‌شوند، اما باندهای مورد استفاده برای تشخیص نقطه شکست را می‌توان با آرگومان 'breakpointBands' مشخص کرد.

برای جزئیات بیشتر، به ژو، ز. و وودکاک، سی. ای، ۲۰۱۴ مراجعه کنید. تشخیص تغییرات مداوم و طبقه‌بندی پوشش زمین با استفاده از تمام داده‌های موجود لندست. سنجش از دور محیط زیست، ۱۴۴، صفحات ۱۵۲-۱۷۱.

کاربرد بازگشت‌ها
ee.Algorithms.TemporalSegmentation.Ccdc(collection, breakpointBands , tmaskBands , minObservations , chiSquareProbability , minNumOfYearsScaler , dateFormat , lambda , maxIterations ) تصویر
استدلال نوع جزئیات
collection مجموعه تصاویر مجموعه‌ای از تصاویر که می‌توان CCDC را روی آنها اجرا کرد.
breakpointBands لیست، پیش‌فرض: تهی نام یا فهرست باندهایی که برای تشخیص تغییرات استفاده می‌شوند. در صورت عدم تعیین، از همه باندها استفاده می‌شود.
tmaskBands لیست، پیش‌فرض: تهی نام یا شاخص باندهایی که برای تشخیص تکراری ابر TMask استفاده می‌شوند. این باندها معمولاً باند سبز و باند SWIR1 هستند. اگر مشخص نشده باشند، از TMask استفاده نمی‌شود. در صورت مشخص بودن، 'tmaskBands' باید در 'breakpointBands' گنجانده شود.
minObservations عدد صحیح، پیش‌فرض: ۶ تعداد مشاهدات مورد نیاز برای علامت‌گذاری یک تغییر.
chiSquareProbability شناور، پیش‌فرض: ۰.۹۹ آستانه احتمال کای-اسکوئر برای تشخیص تغییر در محدوده [0، 1].
minNumOfYearsScaler شناور، پیش‌فرض: ۱.۳۳ عوامل حداقل تعداد سال‌ها برای اعمال اتصالات جدید.
dateFormat عدد صحیح، پیش‌فرض: ۰ نمایش زمانی مورد استفاده در طول برازش: 0 = jDays، 1 = fractional years، 2 = unix time بر حسب میلی‌ثانیه. زمان‌های شروع، پایان و شکست برای هر بخش زمانی به این صورت کدگذاری می‌شوند.
lambda شناور، پیش‌فرض: ۲۰ لامبدا برای برازش رگرسیون LASSO. اگر روی ۰ تنظیم شود، OLS معمولی به جای LASSO استفاده می‌شود.
maxIterations عدد صحیح، پیش‌فرض: ۲۵۰۰۰ حداکثر تعداد اجرا برای همگرایی رگرسیون LASSO. اگر روی ۰ تنظیم شود، OLS معمولی به جای LASSO استفاده می‌شود.